唐杰踏浪，智谱摸高，中国版Claude

文/墨言 ｜「小芳侠」工作室

GLM-5.2发布不到一个月，智谱创始人唐杰发出了一封题为《巨浪已来》的内部信。

几乎没有介绍新产品，没有强调商业化成绩，也没有围绕Agent应用展开，而是唐杰的内部信提出了一项全新的长期研发战略——Touch High（摸高计划）。

在这份内部信中，唐杰提出未来两年重点攻关的四个方向：长程能力（Long Horizon）、自治智能体系统（Autonomous Agent System）、完全自我训练（Full Self-training）以及极致安全（Extreme Safety）。

如果把这四个方向放在一起，就会发现一个共同特点：智谱登高望远，不是为了眼前的产品竞争，而是在回答一个更底层的问题——下一代AI的能力边界在哪里？

当整个行业还在围绕Agent、企业应用和商业化展开竞争时，智谱显然已经把目光重新投向了更长期的技术演进路径。

Agent之后，竞争开始重新回到智能本身

过去一年，大模型行业最热门的关键词几乎都围绕着应用展开：Agent、Coding、办公助手、企业服务……几乎所有公司都在寻找产品落地和商业闭环。

这种竞争并没有错，它代表着行业正在进入产业化阶段。但与此同时，一个新的问题也越来越明显：如果基础模型能力不再持续提升，再复杂的Agent最终也会遇到天花板。

Agent本质上是在组织模型能力，而不是创造模型能力。无论是自动编程、科研助手还是企业流程自动化，真正决定能力上限的，仍然是模型自身是否能够理解更复杂的问题、执行更长期的任务，并持续积累新的能力。

因此，唐杰这封内部信释放出的信号，与过去一年行业普遍关注的方向形成了鲜明对比。相比讨论"如何把模型做成产品"，他更关心的是如何让智能本身继续增长。

某种意义上，大模型行业正在进入第四阶段。

第一阶段比拼参数规模；第二阶段比拼推理能力；第三阶段比拼Agent和应用生态；而第四阶段，竞争的重点很可能将转向持续智能（Continuous Intelligence）——谁能够让AI不断成长，而不是停留在发布当天的能力水平。

第一座高峰：长程能力，真正限制AI的不再是上下文，而是时间

很多人看到"长程能力"时，第一反应往往是更大的上下文窗口。

事实上，GLM-5.2已经支持100万Token上下文，因此唐杰所说的"长程能力"，显然不是简单增加Context长度。

真正的长程能力，指的是模型能够围绕同一个目标持续工作数周、数月，甚至更长时间，并始终保持任务目标、知识记忆和执行逻辑的一致性。

这是今天几乎所有AI系统共同面临的短板。

当前的大模型已经能够帮助科研人员阅读论文、编写代码、分析实验数据，也能够完成复杂的软件开发任务。但一旦任务跨度拉长，它们就容易出现目标漂移、遗忘历史决策、重复劳动甚至推翻此前结论等问题。

然而现实世界中的绝大多数高价值工作，本身就是长期任务。

无论是新药研发、芯片设计、材料科学、基础科研，还是大型软件工程，它们都不是几小时能够完成的，而是需要持续数月甚至数年的迭代。科研人员真正宝贵的能力，并不是一次推导，而是在长期实验过程中不断修正假设、吸收新知识、调整研究方向。

因此，长程能力对于科研的重要性，远远超过今天大家讨论的聊天能力。

可以想象，一个真正具备长程能力的AI研究助手，第一天提出实验假设，第二天根据实验结果调整方案，第三天自动检索最新论文，第四天重新设计实验，第五天继续验证结果……经过一个月，它可能已经完成几十轮迭代，并且始终记住整个项目的发展脉络。

这时，它已经不再是一个回答问题的助手，而更接近一位能够长期参与科研工作的数字研究员。

第二座高峰：完全自我训练，AI自进化能力

如果说长程能力解决的是AI能够持续工作多久，那么完全自我训练解决的则是另一个更根本的问题：AI能够持续成长多久。

这也是整个"摸高计划"中最值得关注的方向。

过去的大模型成长方式基本相同：训练、停止、发布，然后等待下一代重新训练。模型每一次能力跃迁，都依赖于人类重新准备数据、重新组织训练流程。

而唐杰提出的方向，则是希望模型能够持续从环境中学习，不断生成新的训练数据，通过任务执行和结果反馈修正自己的推理方式，并把新的经验沉淀为新的能力。

如果这一目标最终实现，那么AI的成长方式将发生根本变化。

它不再只是一个静态模型，而会变成一个不断学习的新智能体。

事实上，这也是当前国际大模型研究的重要趋势。从OpenAI越来越强调强化学习，到Anthropic持续探索Agent训练，再到DeepSeek在强化学习路线上的突破，一个越来越明显的共识正在形成：未来模型之间真正拉开差距的，不一定是谁拥有更多数据，而是谁拥有更快的学习速度。

过去，人们更多关注模型发布时有多聪明；未来，人们更可能关注的是模型发布之后还能成长多快。

从这个角度来看，完全自我训练的重要意义甚至超过一次模型升级。因为一旦模型具备持续学习能力，它的能力增长将从"版本更新"变成"持续演化"。

当然，需要说明的是，目前公开信息并没有显示智谱已经实现类似在线持续学习的能力。"完全自我训练"仍然属于其公开提出的研发目标，而非已经落地的产品特性。

第三座高峰：自治智能体，未来的AI将不再是一个助手，而是一整个团队

今天谈到Agent，大多数人的理解仍然是一个能够调用工具的智能助手。

但从唐杰提出的"自治智能体系统"来看，智谱设想的显然不是单个Agent，而是一个由大量专业智能体组成的自治系统。

未来，不同Agent可能分别负责文献检索、实验设计、数据分析、代码开发、论文写作、同行评审等不同职责，它们之间能够彼此协作、互相验证，并持续推进一个共同目标。

这种变化意味着，未来AI系统更像一家数字公司，或者一所数字研究院，而不再只是一个聊天机器人。

对于科研来说，这种价值尤为突出。

今天，一个重大科研成果往往需要多个研究方向、多种专业能力共同完成。而未来，这些工作完全可能由不同专业Agent分别承担，再由更高层的协调Agent完成整体规划与资源调度。

真正改变科研效率的，或许不是一个越来越聪明的大模型，而是一整个能够持续协作的数字科研团队。

第四座高峰：安全，智能时代的基础设施

内部信把安全列为四大方向之一，并提出要持续投入机械可解释性等基础研究。

这一点同样值得关注。

随着AI逐渐具备长期执行、自主学习和自治协作能力，安全问题已经不只是内容审核或拒答机制，而是如何保证一个能够持续进化的系统始终朝着正确目标运行。

未来的AI越聪明、工作周期越长，就越需要具备透明、可解释和可验证的决策机制。

对于下一代智能系统来说，安全不是约束创新，而是保证创新能够长期持续的重要基础设施。

小芳侠 用智谱 ZCode 自主研发了一套媒体公关 CRM 系统，上图为测试数据。

真正摸高的，不是模型高度，而是智能增长速度

很多人会把"摸高计划"理解成下一代GLM模型的研发计划。

但从整个内部信来看，它更像是一份面向未来五年的技术路线图。

长程能力解决的是AI能否长期工作；自治智能体解决的是AI能否形成协作系统；完全自我训练解决的是AI能否持续成长；安全则决定这种成长是否可信、可控。

四个方向共同指向同一个目标：让AI不只是回答问题，而是能够持续工作、持续学习、持续进化。

过去，大模型行业比拼的是"一次训练能把模型做得多强"；未来，真正决定领先者的，很可能是另一项指标——模型离开训练场之后，还能以多快的速度继续成长。

如果说Scaling Law时代追求的是参数和算力带来的能力增长，那么"摸高计划"真正试图探索的，则是另一条更长期的路线：让智能拥有自己的增长曲线。

这或许也是唐杰内部信最值得关注的地方。它讨论的并不是下一款产品，而是一个更大的问题——未来AI的竞争，不再只是制造一个更聪明的模型，而是培养一个能够不断变得更聪明的智能系统。

如果这一判断成立，那么未来行业真正的分水岭，可能不再是某一次模型发布，而是谁率先让AI进入持续进化的新阶段。